构建线性回归模型遇样本数不匹配ValueError问题求助

核心问题定位 #

你遇到的ValueError: Found input variables with inconsistent numbers of samples: [137, 68]，本质是训练集的特征矩阵（X_train）和标签（y_train）样本数量不匹配，而根源几乎都是train_test_split的返回值解包顺序错误。

从你给出的形状来看：X_train是(137,46)，y_train是(68,46)——68正好是总样本205减去137的数量（即测试集样本数），这说明你大概率把拆分后的X_test错误赋值给了y_train。

直接修复步骤 #

1. 检查并修正train_test_split的解包顺序
   正确的调用和解包格式必须严格对应：

   from sklearn.model_selection import train_test_split
   
   # 正确顺序：X在前，y在后；返回值依次是X_train, X_test, y_train, y_test
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
   

   你之前可能写成了类似X_train, y_train, X_test, y_test = train_test_split(X, y, ...)的错误格式，导致y_train被赋值成了X_test（形状(68,46)）。

2. 验证拆分后的形状
   运行以下代码确认所有变量形状符合预期：

   print("X_train shape:", X_train.shape)  # 预期(137, 46)
   print("y_train shape:", y_train.shape)  # 预期(137,)
   print("X_test shape:", X_test.shape)    # 预期(68, 46)
   print("y_test shape:", y_test.shape)    # 预期(68,)
   

3. 重新训练模型
   确认形状正确后，再执行模型训练：

   from sklearn.linear_model import LinearRegression
   
   model = LinearRegression()
   model.fit(X_train, y_train)  # 此时样本数匹配，不会报错
   

额外排查点（如果上述方法无效） #

• 确认原始y的格式：确保y是一维数组/Series，而非二维DataFrame。如果是用DataFrame取列，要用y = df['target_column']（返回Series，形状(205,)），而不是y = df[['target_column']]（返回DataFrame，形状(205,1)）。
• 检查拆分前的样本一致性：运行assert len(X) == len(y)，确保原始X和y的样本数完全一致，没有被误操作删除过样本。

内容的提问来源于stack exchange，提问作者furkansukan